[发明专利]一种基于深度学习的碳酸盐岩储层预测方法、系统及设备

说明书

本发明涉及一种基于深度学习的碳酸盐岩储层预测方法、系统及设备，涉及地球物理勘探技术领域，具体包括获取地震属性数据；将所述地震属性数据输入训练好的深度学习模型，生成波阻抗数据；所述深度学习模型为包含输入层、隐藏层和输出层的残差神经网络。本发明提出碳酸盐岩储层预测方法，可有效学习地震属性数据和测井波阻抗数据之间的复杂非线性关系，并准确有效对地震数据体所覆盖的三维区域进行储层预测，具有重要的应用价值。

技术领域

本发明涉及地球物理勘探技术领域，具体涉及一种基于深度学习的碳酸盐岩储层预测方法、系统、设备及计算机可读存储介质。

背景技术

碳酸盐岩储层往往具有储层连续性差、基质孔隙度低以及渗透率非均质性强、埋藏深等特性，勘探开发难度极大。储层的精准分布预测对于评估地质分布具有重要的作用。有效且准确的储层预测数据，可在实际钻井过程中提供先验的地质信息引导，极大程度地提高钻井成功率。因此，准确预测复杂碳酸盐岩储层，对于制定合理的油田开发方案具有重要的实际应用价值。

目前，测井技术是碳酸盐岩储层监测的常用技术手段，但由于其需要耗费巨大的人力和物力，测井记录数据具有严重的空间稀疏性，这给精准的储层预测带来极大的挑战。另一方面，地震数据体具有覆盖面积广、易获取等优势，然而对地震数据的解释往往具有多解性，这给储层预测带来一定的不确定性。基于上述问题，有必要结合测井和地震数据体，发挥两者的优势，设计一种有效的复杂碳酸盐岩储层预测方法，对碳酸盐岩进行精准的储层预测。

发明内容

本发明创造性的提出了一类基于深度学习的复杂碳酸盐岩储层预测方法，包括

获取地震属性数据；

将所述地震属性数据输入训练好的深度学习模型，生成波阻抗数据；

所述深度学习模型为包含输入层、隐藏层和输出层的残差神经网络。

进一步，所述深度学习模型的训练方法包括：

获取地震道的地震属性数据集；

获取测井位置的测井波阻抗数据集；

推演所述测井位置的地震属性数据，生成测井位置对应的地震属性数据集和波阻抗数据集；

将所述测井位置对应的地震属性数据集输入深度学习模型，生成预测的波阻抗数据，基于预测结果生成损失函数，优化深度学习模型，得到训练好的深度学习模型。

进一步，所述方法还包括选取地震属性数据集中的地震属性，可选的，所述地震属性包括下列中的一种或几种：时间、地震波速度、地震振幅、主频率、瞬时频率、瞬时相位、相对振幅、均方根振幅、14Hz、30Hz和/或50Hz的地震波；

可选的，所述地震属性为经权重因子加权的地震属性，所述权重因子的计算方式为λ＝(1+v)，其中λ为权重因子，v为地震波速度，所述将时间、地震波速度和其他经权重因子加权的地震属性输入深度学习模型。

进一步，采用三维插值技术推演所述测井位置的地震属性数据；可选的，所述三维插值过程包括：以平面x,y为坐标轴，根据地震道和测井的相对位置关系，选取K个临近的地震道属性值，利用空间插值的方法计算测井位置的地震属性，以时间t为坐标轴，选取地震属性数据点临近的L个测井波阻抗值，利用一维三次插值方法，获取地震属性数据点的波阻抗数据，所述K、L为自然数整数。

进一步，所述方法还包括对所述测井位置对应的地震属性数据集进行数据切割，得到固定维度的地震属性数据集；优选的，首先，设定两个参数，第一个参数是数据切割的长度，即对应卷积神经网络对应的高度；第二个参数是每次数据切割后数据起始点向后移动的步数，对所述测井位置对应的地震属性数据按照第一个参数进行第一次切割，形成对应卷积神经网络对应的高度的数据，按照第二个参数将指针向后移，进行第二次数据分割。